人工智能基础（八）

上一节学习了把声波转换成电信号，然后离散换成数字信息，今天学习怎样用计算机识别音乐风格。

音乐风格有爵士，摇滚，嘻哈，古典等十多种，计算机是怎样通过声音的数字信息加以区别的呢？

计算机识别声音分为以下几个步骤：1，输入声音的数字信息，2，通过特征提取器提取特征，3，声音的特征信息通过分类器进行分类，4，对声音的风格给出结论。

比如一段30秒4万4千赫兹的声音，一秒有4万4千个数据，对应的向量是44000个维数，30秒就是大约130万维，使用分类器直接对其分类，计算机负担太重，工作效率太低，所以需要对这个数据信息进一步处理，提取更有效的特征信息，这种办法就是——梅尔频率倒谱系数。

梅尔频率（Mel-frequency）：是一种特殊的频率刻度，它与普通频率存在一种如下的函数关系：

这样把普通频率转换成梅尔频率，其图像如下：

由于函数转换的关系，表现在梅尔频率中的等长的频率区间，在普通频率下是不等长的频率区间，但这种低频分辨率高，高频分辨率低正好符合人类对声音的敏感度。

把梅尔频率分成26个区间，取均值，得到一个26维的特征向量。

倒谱：把这个26维特征向量再做数学变换后得到一个13维的特征。

梅尔频率是对普通频率的一种粗略刻画，这种刻画很好的保存了声音的一个重要特征——共振峰。

共振峰：是指声音频谱上能量相对集中的一些区域。如下图：

我们已经提取了声音的特征数据了，下一步要设计一个分类器，区别它们。

这个分类器就像我们在做图像识别一样，通过向量的积运算，使之边界清晰，这个运算就是以前学习过的卷积运算，化成卷积层和池化层。

通过对卷积层和池化层的特征分析，从而判断音乐风格。